Fake Timer: An Engine for Accurate Timing Estimation in Register Transfer Level Designs
Notice bibliographique
Résumé
Despite advances in register-transfer level (RTL) synthesis tools, the quality of synthesized netlists still relies on the RTL micro-architecture. This often causes timing violations to be addressed in the RTL, resulting in time-consuming modify-synthesize-analyze cycles. Recent approaches use machine learning (ML) to estimate timing metrics from an RTL. However, they do not target relevant metrics such as block-based arrival times (ATs) and slacks, essential for micro-architecture search. This paper introduces a novel approach called Fake Timer, which back-annotates realistic timing metrics from flattened synthesis to RTL blocks. Fake Timer inputs an RTL intermediate representation and propagates ML-predicted pin-to-pin delays to compute block-based ATs. These computed ATs do not consider cross-boundary optimizations possible during flattened synthesis. Thus, predicted delays are corrected and used to recompute realistic ATs, required ATs, and slacks. Experiments show that computed ATs at the design’s endpoints achieve a coefficient of determination $R^{2}$ of 95% and 85% regarding hierarchical and flattened synthesis results, respectively. Moreover, all the pin-to-pin delays are corrected to consider flattened results and obtain realistic timing metrics. Fake Timer back-annotates timing to RTL blocks, even if they no longer appear in the flattened netlist. In this way, timing-driven micro-architecture search is enabled at the early stages of the design flow.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».